量子联邦学习（QFL）作为一种新兴的分布式学习范式，允许多个客户端在不共享本地数据的情况下协同训练量子神经网络。这一特性使其在隐私敏感的智能服务领域，如金融欺诈检测和基因组分类，展现出巨大潜力。在这些应用中，不仅聚合模型的准确性至关重要，客户端级别的学习可靠性和公平性同样不可或缺。然而，实际部署中常面临两大挑战：客户端数据的异构性（即非独立同分布数据）以及量子优化固有的噪声，这些因素容易导致局部更新不稳定、客户端漂移，以及不同客户端之间性能的显著不公平。
为了解决上述问题，来自的研究团队提出了DUQFL-Prox（Drift Stable Quantum Federated Learning based on Deep-Unfolded Local Optimization）框架。该框架的核心创新在于：每个客户端不再使用固定的局部优化器，而是执行自适应的深度展开SPSA（Simultaneous Perturbation Stochastic Approximation）更新。SPSA是一种适用于量子优化的梯度近似方法，而深度展开则通过可学习的迭代步骤来优化更新过程。此外，框架引入了一个近端项（proximal term），用于约束局部模型向全局模型靠拢，从而有效缓解客户端漂移。
DUQFL-Prox还包含一个轻量级控制器，该控制器能够学习每步迭代特定的优化参数，例如学习率和步长，以进一步提升聚合后模型的性能。实验部分在金融欺诈检测和基因组分类两个实际任务上进行了验证。结果表明，与标准的量子联邦学习基线相比，DUQFL-Prox在训练稳定性、模型泛化能力和客户端公平性方面均取得了显著提升。这一研究成果表明，深度展开技术与量子联邦学习的结合，能够在异构分布式环境中支持更加可靠和公平的智能服务，为未来隐私保护型人工智能应用开辟了新的途径。